2026 年 10 月 24 日，BOSS 直聘旗下 Nanbeige LLM Lab 上載 Nanbeige4.3-33B 的模型權重，模型卡於 10 月 25 日定稿。模型以 Apache 2.0 授權釋出，具備 33B dense 參數與原生 524,288 token 上下文[1]，定位為 Nanbeige4.3 系列的旗艦「教師模型」，用於後續把代理能力蒸餾至更小的模型。
規格與部署方式
模型採 Llama 架構、GQA 注意力與 BF16 權重，原生上下文長度為 524,288 token，即 512K，主打代理式編程（agentic coding）與專業辦公室協作兩類場景。工具呼叫同時支援 XML 與 JSON 兩種格式，官方建議以 XML 取得較佳的工具呼叫表現。對話模板提供 enable_thinking 與 preserve_thinking 兩個開關：前者控制是否為當前回覆產生推理內容，後者控制多輪對話中是否保留先前的推理；官方建議一般對話與問答關閉 preserve_thinking，而多輪工具使用、辦公室任務與編程代理則開啟。
部署方面，模型卡提供 Transformers、SGLang 與 vLLM 三種示例，範例以四卡張量並行、GPU 記憶體使用率 0.8 起步。推理參數亦按場景分開設定：代理與工具使用建議 temperature 1.0、top_p 0.95、最多 65,536 個新 token；推理與對話則建議 temperature 0.6、最多 262,144 個新 token。以 33B dense 模型而言，即使採用 BF16，實際部署仍需要相當數量的顯存與多卡配置，並非單張消費級顯示卡可以輕鬆承載。
廠商自報的評測結果
模型卡列出與 Qwen3.8-27B、Muse-Glimmer-30B、Gemma4-31B 的對比，全部模型均以最高思考強度、相同推理超參數與同一測試框架執行。Terminal-Bench 2.1 得 80.9，高於 Qwen3.8-27B 的 73.0、Muse-Glimmer-30B 的 61.8 與 Gemma4-31B 的 47.2；Terminal-Bench 4.0 得 23.8，三個對照模型分別為 6.3、1.6 與 0.0；DeepSWE 得 65.5，對手為 42.5、4.4 與 2.7。
辦公室協作方面的差距同樣明顯。Automation Bench 得 54.2，對照模型為 38.3、15.2 與 9.7；JobBench 得 44.8，對照為 34.5、16.6 與 9.0；Toolathlon-Verified 得 70.4，對照為 68.5、47.2 與 27.8。YC-bench 以最終金額計為 1,025,437 美元，三個對照模型分別為 641,290、513,978 與 265,152 美元。
模型並非全面領先。SWE-Bench Pro 得 60.3，略低於 Qwen3.8-27B 的 61.7；GDPval 得 84.8，低於 Qwen3.8-27B 的 86.4；GPQA Diamond 得 89.5，低於 Gemma4-31B 的 91.3。官方亦指出，在 JobBench 所評估的三十五個職業之中，多數情況優於基線。
定位與需注意之處
上述數字全部由廠商自行量測與公布。模型卡雖然列出各項評測所採用的測試框架，例如 mini-swe-agent v2.4.6、Terminus 2、Claude Code 測試框架，以及各自的評分方式，但未見獨立第三方覆核，閱讀時宜與社群實測結果對照，尤其 Terminal-Bench 4.0 一類難度較高的測試，不同框架之間的差異可以很大。
更值得留意的是產品定位。模型卡明言 4.3-33B 是系列中的「教師模型」，先建立高容量代理，再把能力蒸餾至 Nanbeige4.3-3B 等小模型；對真正在意部署成本的團隊而言，小模型版本才是關鍵，而現階段仍未釋出。與此同時，模型亦已衍生多個微調與量化版本，社群可直接在 Hugging Face 上取用，其基礎模型亦已同步釋出[2]。
對香港的開發團隊來說，此類以 Apache 2.0 釋出、原生支援 vLLM 與 SGLang 的中型代理模型，提供了在本地或私有雲自建代理服務的另一個選項；但在把廠商自報分數當作選型依據之前，仍應以自身工作流程的實際任務集重新測試，特別是工具呼叫的穩定度與長上下文下的表現。
參考資料
[1] Nanbeige4.3-33B model card · Hugging Face
[2] Nanbeige4.3-33B-Base · Hugging Face